本文章搜罗近几年在各大顶级期刊投稿的神经网络替代模型的文献，然后归纳总结神经网络做替代模型所使用的网络结构、数据类型和训练方法。

简单介绍

神经网络随着近几年的发展，在各个领域都方兴未艾，其在托卡马克磁流体领域的应用也颇为广泛。包括EPED1-NN、MISHKA-NN、EuroPED-NN等。与目前如日中天的大模型不同的是，神经网络替代模型一般强调的是与数理迭代相比，其耗时有数量级的优势。个人认为这些替代模型有着如下几个特点。

数据少（网络结构简单）

相比大模型可以从互联网上直接拉取大量的已有数据不同，实验数据都需要主动生产出来，因此数据量不在一个量级，自然网络结构也不再一个量级，因此网络结构自然简单。

标准不统一

相比其他领域的网络模型，如图像识别，人脸识别，文本生成，翻译等等，其他领域有着一套标准的数据集用来检测不同模型的效果。因此比较大的网络创新都会很快被发现并得到推广，如transformer、unet、diffusion等等。而等离子体领域并没有形成这样一个公共数据集标准，每个装置都有一套属于自己的数据集，因此应用网络结构呈现百花齐放的特点。通过与实验数据或实验装置结合、或与其他数值程序结果对比、或从耗时降低为出发点，来阐述自己的创新性。而自身的网络结构相比现在主流的网络结构呈现一定的落后。

实用性问题

由于托卡马克本质上是一个工程问题，而AI在托卡马克上的应用属于AI的落地项目的一种方式。类比其他AI形式，如何使AI可用并且能够替代原有方案是一个核心问题。这里给出几种可能与对应的优缺点：

• 基于实验数据的AI分析预测
  • 优点：可以做到更快的速度。
  • 缺点：由于数据量较少，实验参数的变化导致分析结果的可行性不一定可靠。
  • 本质上是一种综合性的数据分析工具，跳过传统的数据处理过程直接给出结果。
• 基于数值模拟数据的AI分析预测
  • 优点：相比数值模拟有更快的速度，数据量可以做到较大。
  • 缺点：需要原数值模拟结果有足够的可信度，关键地方的数据需要仔细调优。
  • 本质上是通过历史数值结果，让AI去猜下一次数值模拟的结果。

论文介绍

这里并不对论文内容作详细介绍（在其他页面），只对论文中神经网络的网络结构、数据来源、训练方式、和其优缺点分析。

EuroPED-NN

可供参考的论文：[2, 3, 8, 6, 7, 10, 4, 5, 9, 1]。